Deep Learning 学习笔记4:神经网络的反向传播法

本文介绍了神经网络中反向传播法的工作原理。通过一个简单的神经网络模型,展示了数据从前向传播到输出层的过程,并使用sigmoid激活函数。当输出层的预测值与实际值存在误差时,反向传播用于更新权重参数。具体阐述了如何计算权重对误差的偏导数,以修正权重并更新网络参数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这是一个最简单的神经网络模型图,第一层是输入层,第二层是隐藏层,第三层是输出层。第一层的输入数据分配一个权重后,计算的结果并用激活函数进行激活再传给隐藏层,然后隐藏层再对数据进行权重分配,计算出结果传给输出层,输出层再用激活函数将最后结果输出。反向传播法的用途在于:当最后输出层的数据与真实数据相比有误差时,会反向更新权重参数。

                                  

首先来看前向传播的过程:(激活函数选用sigmoid函数)

神经元h1的输入加权和:neth1=w1*i1+w2*i2+b1*1

神经元h2的输入加权和:neth2=w3*i1+w4*i2+b1*1

神经元h1的输出:outh1=\frac{1}{1+e^{-neth1}}

神经元h2的输出:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值